論文の概要: AutoScore-Survival: Developing interpretable machine learning-based
time-to-event scores with right-censored survival data
- arxiv url: http://arxiv.org/abs/2106.06957v1
- Date: Sun, 13 Jun 2021 10:21:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 13:26:42.896909
- Title: AutoScore-Survival: Developing interpretable machine learning-based
time-to-event scores with right-censored survival data
- Title（参考訳）: AutoScore-Survival: 直感的生存データを用いた解釈可能な機械学習に基づく時間-時間スコアの開発
- Authors: Feng Xie, Yilin Ning, Han Yuan, Benjamin Alan Goldstein, Marcus Eng
Hock Ong, Nan Liu, Bibhas Chakraborty
- Abstract要約: AutoScoreは以前、解釈可能な機械学習スコアジェネレータとして開発された。
我々は,自動スコア・サバイバル(AutoScore-Survival)を開発した。
- 参考スコア（独自算出の注目度）: 5.102511190964688
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scoring systems are highly interpretable and widely used to evaluate
time-to-event outcomes in healthcare research. However, existing time-to-event
scores are predominantly created ad-hoc using a few manually selected variables
based on clinician's knowledge, suggesting an unmet need for a robust and
efficient generic score-generating method.
AutoScore was previously developed as an interpretable machine learning score
generator, integrated both machine learning and point-based scores in the
strong discriminability and accessibility. We have further extended it to
time-to-event data and developed AutoScore-Survival, for automatically
generating time-to-event scores with right-censored survival data. Random
survival forest provides an efficient solution for selecting variables, and Cox
regression was used for score weighting. We illustrated our method in a
real-life study of 90-day mortality of patients in intensive care units and
compared its performance with survival models (i.e., Cox) and the random
survival forest.
The AutoScore-Survival-derived scoring model was more parsimonious than
survival models built using traditional variable selection methods (e.g.,
penalized likelihood approach and stepwise variable selection), and its
performance was comparable to survival models using the same set of variables.
Although AutoScore-Survival achieved a comparable integrated area under the
curve of 0.782 (95% CI: 0.767-0.794), the integer-valued time-to-event scores
generated are favorable in clinical applications because they are easier to
compute and interpret.
Our proposed AutoScore-Survival provides an automated, robust and easy-to-use
machine learning-based clinical score generator to studies of time-to-event
outcomes. It provides a systematic guideline to facilitate the future
development of time-to-event scores for clinical applications.
- Abstract（参考訳）: スコアリングシステムは高度に解釈可能であり、医療研究の時間対事象の結果を評価するために広く使われている。
しかし、既存の時間からイベントまでのスコアは、臨床医の知識に基づいて、いくつかの手動で選択した変数を使ってアドホックに作られており、堅牢で効率的な総合スコア生成方法の必要性が示唆されている。
AutoScoreは、以前は解釈可能な機械学習スコアジェネレータとして開発され、機械学習とポイントベースのスコアの両方を強力な識別性とアクセシビリティに統合した。
我々はさらにそれを時間-イベントデータに拡張し、右検閲されたサバイバルデータで時間-イベントスコアを自動的に生成するautoscore-survivalを開発した。
ランダムサバイバルフォレストは変数の選択に効率的なソリューションを提供し、コックス回帰はスコア重み付けに使われた。
本手法は,集中治療室における90日間の死亡率を実生活で検討し,生存モデル(cox)とランダムサバイバルフォレストとの比較を行った。
AutoScore-Survival由来のスコアリングモデルは、従来の変数選択法(例えば、ペナル化可能性アプローチとステップワイズ変数選択)を用いて構築されたサバイバルモデルよりも同義であり、その性能は同じ変数セットを使用したサバイバルモデルに匹敵するものであった。
AutoScore-Survival は 0.782 (95% CI: 0.767-0.794) の曲線で同等の積分領域を達成しているが、整数値の時間-値スコアは計算や解釈が容易であるため臨床応用に好適である。
提案するautoscore-survivalは、自動で堅牢で使いやすい機械学習ベースの臨床スコアジェネレータを、イベントの時間的成果を研究するために提供します。
臨床応用のための時間-時間スコアの開発を促進するための体系的なガイドラインを提供する。
関連論文リスト
- Developing Federated Time-to-Event Scores Using Heterogeneous Real-World
Survival Data [8.3734832069509]
既存のサバイバルスコアの構築方法は、データが単一のソースに由来することを前提としている。
本稿では,多地点生存のための統合スコアリングシステムを構築するための新しいフレームワークを提案する。
参加者各サイトからのデータセットのテストにおいて,提案するフェデレーションスコアリングシステムは,すべての局所モデルより一貫して優れていた。
論文 参考訳（メタデータ） (2024-03-08T11:32:00Z) - Survival modeling using deep learning, machine learning and statistical methods: A comparative analysis for predicting mortality after hospital admission [9.719996519981333]
コックス比例ハザード(CoxPH)、ステップワイドコックスPH、弾性ネットペナル化コックスモデル、GBM学習など、いくつかの生存分析手法の比較研究を行った。
症例スタディとして,2017年から2019年にかけて,第3次病院救急外来で入院した患者の振り返り分析を行った。
C-indexの結果は、ディープラーニングが同等のパフォーマンスを達成し、DeepSurvが最高の差別を生み出していることを示している。
論文 参考訳（メタデータ） (2024-03-04T10:46:02Z) - CenTime: Event-Conditional Modelling of Censoring in Survival Analysis [49.44664144472712]
CenTimeは、イベントへの時間を直接見積もる、サバイバル分析の新しいアプローチである。
本手法は,非検閲データが少ない場合でも,堅牢なイベント条件検閲機構を特徴とする。
以上の結果から,CenTimeは同等の性能を維持しつつ,死までの時間を予測する上で,最先端のパフォーマンスを提供することがわかった。
論文 参考訳（メタデータ） (2023-09-07T17:07:33Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳（メタデータ） (2023-04-07T23:51:07Z) - ALLSH: Active Learning Guided by Local Sensitivity and Hardness [98.61023158378407]
本稿では,局所感度と硬度認識獲得機能を備えたラベル付きサンプルの検索を提案する。
本手法は,様々な分類タスクにおいてよく用いられるアクティブラーニング戦略よりも一貫した利得が得られる。
論文 参考訳（メタデータ） (2022-05-10T15:39:11Z) - AutoScore-Ordinal: An interpretable machine learning framework for
generating scoring models for ordinal outcomes [2.3673317568384076]
AutoScoreは、機械学習に基づくバイナリ結果のための自動臨床スコア生成装置である。
本研究の目的は、AutoScoreフレームワークを拡張して、日常的な結果に対するリスク予測を解釈するためのツールを提供することである。
論文 参考訳（メタデータ） (2022-02-17T02:16:34Z) - AutoScore-Imbalance: An interpretable machine learning tool for
development of clinical scores with rare events data [4.489401352256435]
AutoScoreは機械学習と一般化線形モデルに基づく有用な臨床スコア生成器として提案された。
トレーニングデータセット最適化,サンプル重量最適化,調整されたAutoScoreの3つのコンポーネントからなるAutoScore-Im Balanceを開発した。
このツールは、まれな医療イベントに関するさらなる洞察を得るために、高度にバランスのとれたデータセットに適用される可能性がある。
論文 参考訳（メタデータ） (2021-07-13T12:49:32Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - Diverse Complexity Measures for Dataset Curation in Self-driving [80.55417232642124]
トラフィックシーンの面白さを定量化する多様な基準を活用した新たなデータ選択手法を提案する。
実験の結果,提案するキュレーションパイプラインは,より汎用的で高いパフォーマンスをもたらすデータセットを選択できることが判明した。
論文 参考訳（メタデータ） (2021-01-16T23:45:02Z) - A Machine Learning Early Warning System: Multicenter Validation in
Brazilian Hospitals [4.659599449441919]
臨床劣化の早期認識は、入院患者の死亡率と死亡率を減らすための主要なステップの1つである。
Intensive Care Unit, ICUと比較して, 病院病棟は注目度が低いため, プラットフォームがERHのストリームに接続されている場合, 危険な状況に対する意識が大幅に改善する可能性が示唆された。
機械学習の適用により、システムは患者のすべての履歴を考慮し、高いパフォーマンスの予測モデルを使用することで、インテリジェントな早期警告システムを実現することができる。
論文 参考訳（メタデータ） (2020-06-09T21:21:38Z) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳（メタデータ） (2020-05-03T02:36:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。